Perfilado de sección

  • Fundamentos de la inteligencia artificial para ampliar horizontes culturales

    Colapsar todo Expandir todo
    Fundamentos de la IA para ampliar horizontes culturales

    Este curso propone un recorrido integral y crítico por el mundo de la inteligencia artificial. A lo largo de cuatro unidades, invita a comprender cómo funcionan los modelos de lenguaje, con qué datos se entrenan, por qué no siempre dicen la verdad y qué implica que sus respuestas sean probabilísticas y no neutrales. Se exploran sus límites técnicos y también sus dimensiones éticas y culturales: los sesgos, estereotipos, problemas de alineación y fenómenos como la adulación algorítmica.

    🔎 Además de los fundamentos teóricos, el curso ofrece actividades prácticas y experiencias que permiten detectar estereotipos, construir datos con perspectiva local y reflexionar críticamente sobre el uso educativo de estas herramientas. La invitación es clara: no aceptar la IA como verdad final, sino usarla como punto de partida para fortalecer la autonomía, el pensamiento crítico y la construcción colectiva del conocimiento. 

    🔁 Algunas clases tienen un componente más técnico que otras, pero todas incluyen actividades breves para avanzar: desde preguntas de opción múltiple hasta consignas abiertas y ejercicios prácticos con la herramienta EDIA. En cada clase encontrarás las indicaciones necesarias para resolverlas.

    La propuesta es que puedas recorrer el curso a tu ritmo, experimentando, dudando y preguntando. Les damos la bienvenida y esperamos que este curso sea una oportunidad para aprender, cuestionar y construir conocimiento de manera colectiva.

  • UNIDAD 1

    🤖 Esta unidad propone una aproximación inicial a la inteligencia artificial, invitando a reflexionar sobre el lugar que ocupa en nuestras prácticas docentes y las decisiones que estamos —o no— dispuestas a delegar.

    Se analizan sus promesas, límites y tensiones, poniendo en el centro la mediación pedagógica, la ética y la agencia humana. A partir de allí, se introduce el papel fundamental de los datos en el funcionamiento de estos sistemas: de dónde provienen, cómo se recolectan y qué relaciones de poder sostienen.

    Finalmente, se aborda la IA generativa y los modelos de lenguaje, explorando su carácter predictivo, sus usos posibles en el aula y los desafíos que plantean en términos de autonomía, dependencia tecnológica y soberanía educativa.

    Te invitamos a construir tu propia mirada crítica.

      • Docencia en tiempos de IA

        CLASE 1 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Docencia en tiempos de inteligencia artificial

        ¿Qué lugar le damos a la inteligencia artificial en la educación? En esta clase se introduce la noción de alfabetización digital crítica para dar lugar a  preguntas clave sobre la docencia en tiempos de IA: cómo funcionan estos sistemas, qué promesas traen, cuáles son sus límites y qué tensiones aparecen cuando entran al aula.

        Lejos de las verdades absolutas, la propuesta es pensar la IA desde una mirada crítica y ética, poniendo en el centro el rol docente, la mediación pedagógica y la agencia humana. ¿Para qué queremos usar la IA? ¿En qué decisiones no estamos dispuestas y dispuestos a delegar?

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Emilia Echeveste

        • Docencia en tiempos de IA URL
          Los estudiantes deben
          Marcar como hecha
        • Los estudiantes deben
          Marcar como hecha
          Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Alfabetización digital crítica: es un enfoque que amplía la noción de alfabetización digital, donde además de saber usar tecnología, implica comprender y cuestionar las estructuras de poder, sesgos y dinámicas sociales que hay detrás de las tecnologías digitales (Pangrazio, 2016;  Pangrazio y Selwyn, 2020).

          Algoritmo: conjunto ordenado y finito de operaciones que permite hallar la solución de un problema. Ejemplo: Algoritmo para sumar dos números: ingresar ambos números, sumarlos y mostrar el resultado.

          Referencia: Real Academia Española. Recuperado de  https://dle.rae.es/algoritmo

          Capacidad de agencia: en el caso del contexto educativo, se refiere a la capacidad de estudiantes y profesores para tomar decisiones y actuar de manera autónoma en la enseñanza y el aprendizaje dentro de los entornos de aula (Holmes, 2025).

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Material de lectura para profundizar (no obligatorio) Carpeta
          Los estudiantes deben
          Marcar como hecha
        • Tarea: Docencia en tiempos de inteligencia artificial Cuestionario
          Los estudiantes deben
          Hacer intentos: 1

      • La IA y el rol esencial de los datos

        CLASE 2 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        La IA y el rol esencial de los datos

        ¿De qué se alimenta la inteligencia artificial? En esta clase ponemos el foco en los datos: cómo funcionan los sistemas basados en IA a partir de entradas y salidas, de dónde proviene la enorme cantidad de información con la que se entrenan y por qué su desarrollo está profundamente ligado a la disponibilidad masiva de datos y al poder de cómputo. Analizamos aplicaciones cotidianas para comprender que la IA no “piensa”, sino que reconoce patrones en grandes volúmenes de información.

        Al mismo tiempo, abrimos preguntas sobre la recolección y el uso de esos datos: ¿sabemos qué información producimos al usar plataformas digitales? ¿Quién la almacena y con qué fines? ¿Existe realmente el consentimiento cuando aceptamos términos que no leemos? Lejos de naturalizar el extractivismo de datos, la invitación es problematizar la concentración de poder tecnológico y reflexionar qué implica todo esto también en nuestras prácticas educativas.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Marcos Gómez

      • Modelos de lenguaje ¿en todos lados?

        CLASE 3 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Modelos de lenguaje ¿en todos lados?

        En esta clase nos adentramos en la inteligencia artificial generativa y en los modelos de lenguaje: sistemas capaces de producir texto, imágenes o código a partir de enormes volúmenes de datos. ¿Cómo funcionan estos modelos? ¿Qué significa que sean “predictivos”? ¿En qué se diferencian los modelos comerciales de los abiertos? Analizamos sus características, sus tipos y las múltiples tareas que pueden realizar: generar textos, resumir, traducir, corregir, asistir, conversar.

        Al mismo tiempo, abrimos una reflexión ¿Qué implica que estas herramientas se conviertan en estándares desde edades tempranas? Más allá del entusiasmo o el rechazo, la propuesta es pensar críticamente sus usos: ¿para qué pueden aportar valor? ¿Qué riesgos traen en términos de dependencia, datos y autonomía docente?

        👨‍🏫 Docente: Marcos Gómez

      • ¿Qué errores cometen los modelos de IA?

        CLASE 4 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        ¿Qué errores cometen los modelos de IA? 


        En esta clase analizamos dos errores que pueden cometer los modelos de lenguaje: errores de clasificación, y alucinaciones. Y anticipamos otra fuente de error: los sesgos sociales, también conocidos como estereotipos. Un error de clasificación ocurre cuando el modelo asigna una categoría incorrecta a un texto o imagen. Las alucinaciones, en cambio, implican presentar información falsa o inventada como si fuera verdadera, incluso citando fuentes inexistentes pero que a simple vista parecen existir. Estas situaciones pueden reforzar el sesgo de automatización, ya que tendemos a confiar en respuestas que suenan técnicas o bien fundamentadas. Se revisan ejemplos complejos, como interpretaciones médicas erróneas en radiografías o fallos en cálculos de dosis aún cuando el modelo utiliza fuentes oficiales mediante sistemas de recuperación de información (RAG).

        Como caso se estudio de los errores de clasificación se analiza la dificultad de distinguir textos generados por IA de los escritos por personas, y cómo incluso herramientas de detección pueden fallar. A través de casos concretos se observa que los modelos pueden mezclar información, cometer imprecisiones o hacer cálculos matemáticos erróneos. La clase invita a fortalecer una mirada crítica reconociendo las formas en las que la IA se equivoca y por qué sus errores son difíciles de detectar.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Luciana Benotti

  • UNIDAD 2

    Esta unidad profundiza en el funcionamiento interno de los modelos de lenguaje, abordando cómo aprenden a partir de grandes volúmenes de datos mediante la predicción probabilística de palabras. Se problematiza la diferencia entre generar respuestas plausibles y comprender, así como los riesgos asociados: estereotipos, supuestos implícitos y errores. También se analizan los datos de entrenamiento, su procedencia y los distintos niveles de apertura y transparencia de los modelos, vinculando estas decisiones con relaciones de poder tecnológico. Finalmente, se explora el carácter no determinista de estos sistemas, el impacto de parámetros como la temperatura y la existencia de instrucciones invisibles como el system prompt. La unidad invita a reflexionar sobre transparencia, auditabilidad y criterios pedagógicos para un uso informado y crítico de la IA.

      • ¿Cómo aprenden los modelos de lenguaje (LLM)?

        CLASE 5 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        ¿Cómo aprenden los modelos de lenguaje (LLMs)?

        En esta oportunidad profundizamos en el funcionamiento interno de los modelos de lenguaje. ¿Cómo aprenden el significado de las palabras? A través de enormes volúmenes de datos y de la predicción constante de la siguiente palabra en una secuencia, los LLMs reconocen patrones y cercanías semánticas. Pero generar frases plausibles no es lo mismo que comprender ni garantizar verdad. ¿Qué implica que una respuesta sea estadísticamente probable pero no necesariamente correcta?

        También analizamos los riesgos: supuestos implícitos, estereotipos reproducidos y confusiones entre entidades. Finalmente, distinguimos entre un modelo base —entrenado para completar texto— y un modelo ajustado mediante fine-tuning, alineado para seguir instrucciones específicas. La invitación es comprender que detrás de cada respuesta hay procesos de entrenamiento, clasificación y alineación, y que conocer estos mecanismos es clave para usar estas herramientas con criterio pedagógico.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Guido Ivetta

        No disponible hasta que: La actividad Tarea: Frases típicas esté marcada como realizada

      • ¿De dónde aprenden los modelos de lenguaje (LLMs)?

        CLASE 6 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        ¿De dónde aprenden los modelos de lenguaje (LLMs)?

        ¿Con qué datos se entrenan los modelos y qué sabemos (o no) sobre ellos? En esta clase analizamos la composición de los datos con los que se entrenan los modelos de lenguaje. ¿De dónde provienen esos textos? Internet, libros digitalizados, artículos académicos, foros, repositorios de código y bases especializadas forman parte de los grandes corpus utilizados para su entrenamiento. Revisamos casos concretos —como BERT, GPT-1 o GPT-3— para comprender cómo han evolucionado las fuentes de datos y qué ocurre cuando las empresas dejan de transparentar esa información en versiones más recientes.

        También exploramos cómo se clasifican los modelos según su nivel de apertura y transparencia: código abierto, pesos abiertos o código cerrado. ¿Qué implica poder auditar un modelo? ¿Qué diferencias existen en términos de costos, acceso y participación comunitaria? A través de ejemplos actuales, la invitación es reflexionar sobre la relación entre datos, transparencia y poder tecnológico, y preguntarnos qué tipo de modelos queremos promover en el ámbito educativo.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Guido Ivetta

      • Sesgos y ambigüedad

        CLASE 7 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Sesgos y ambigüedad

        En esta clase analizamos los distintos tipos de sesgos que pueden aparecer en los sistemas de inteligencia artificial —social, emergente y de automatización— y cómo estos influyen en las respuestas que producen. A través de ejemplos concretos, observamos cómo los modelos pueden reforzar estereotipos, por ejemplo al asociar determinadas profesiones con niveles de ingreso o al vincular la “inteligencia” únicamente con países del mundo desarrollado. Estos casos muestran que las respuestas no son neutrales, sino que reflejan imaginarios y jerarquías presentes en los datos con los que fueron entrenados.

        También trabajamos el concepto de incertidumbre, distinguiendo entre preguntas ambiguas y situaciones en las que el modelo no posee conocimiento suficiente para responder con certeza. Cuando la IA desconoce contextos culturales o saberes locales, tiende a completar esa falta de información con respuestas genéricas o estereotipadas. Por eso, reconocer los límites del sistema y la importancia de poder decir “no sé” es clave para un uso crítico y responsable en el ámbito educativo.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Guido Ivetta

      • ¿Qué son los estereotipos en modelos DE IA?

        CLASE 8 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

         ¿Qué son los estereotipos en modelos de IA?


        En esta clase abordamos los estereotipos también cnocidos como sesgos sociales, en los modelos de lenguaje. ¿Qué es un estereotipo? Son generalizaciones sobre grupos de personas construidas muchas veces a partir de información limitada o prejuicios. Si los modelos de IA aprenden de datos producidos por nuestras sociedades, ¿no es esperable que también aprendan nuestros prejuicios? Analizamos cómo los sesgos se originan en los datos de entrenamiento —muchas veces poco transparentes— y cómo la fuerte predominancia del inglés y de lenguas europeas deja fuera a gran parte de la diversidad lingüística y cultural del mundo.

        También distinguimos entre estereotipos de grupo propio (in-group) y grupo ajeno (out-group), y observamos ejemplos concretos de cómo estos pueden aparecer en respuestas automáticas. La invitación es reconocer que la IA no es neutral y que sus respuestas pueden reforzar desigualdades existentes. A través de una actividad práctica, proponemos identificar estereotipos propios y reflexionar sobre estereotipos ajenos, para comprender cómo una tecnología que asume estereotipos puede impactar en las prácticas educativas que construimos.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Luciana Benotti

      • Validador de estereotipos

        CLASE 9 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Validador de estereotipos

        En esta actividad práctica se invita a trabajar directamente con los sesgos de los modelos de lenguaje generativos a través de una herramienta de validación de estereotipos. La premisa central es formular pares de frases o preguntas que solo cambien un elemento (como el género, la nacionalidad, la profesión o cualquier otro atributo social) y observar cómo responde la IA en cada caso. Al comparar las respuestas, se puede detectar si el modelo asigna mejores resultados a una variante que a otra, lo que indica asociaciones implícitas o prejuicios en sus respuestas.

        El propósito no es “demostrar que la IA es buena o mala”, sino desarrollar una mirada crítica que permita identificar patrones estereotipados en las salidas de los modelos y reflexionar sobre sus posibles efectos en contextos educativos y sociales. La actividad fomenta registrar las diferencias observadas, discutirlas con otros y pensar cómo estos sesgos pueden influir en la manera en que usamos y enseñamos con IA.

        ‼️ Importante: Para completar esta clase, es importante que desarrolles la actividad, con al menos 10 oraciones. Y no te preocupes, que eso queda directamente en el registro del sistema. 

        👨‍🏫 Docente: Pietro Palombini

  • UNIDAD 3

    En esta unidad se analizan los sesgos y estereotipos en la inteligencia artificial, mostrando cómo los modelos pueden reproducir prejuicios presentes en sus datos de entrenamiento y generar respuestas no neutrales. A través de actividades prácticas se propone identificar estos patrones y reflexionar sobre la incertidumbre, los errores, las alucinaciones y los límites del sistema. También se aborda la alineación y sus desafíos culturales y pedagógicos, así como la adulación algorítmica, destacando la importancia de usar la IA con mirada crítica, responsabilidad y mediación docente.

      • Los modelos de lenguaje ¿siempre responden lo mismo?

        CLASE 10 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Los modelos de lenguaje ¿siempre responden lo mismo?

        En esta clase exploramos una característica central de los modelos de lenguaje: su no determinismo. Ante la misma pregunta, pueden generar respuestas distintas. ¿Por qué sucede esto? Porque no funcionan con reglas fijas, sino con probabilidades construidas a partir de enormes volúmenes de datos. Analizamos cómo variables como la “temperatura” influyen en el grado de creatividad o previsibilidad de las respuestas, y cómo ciertos parámetros pueden modificar el comportamiento del modelo sin necesidad de volver a entrenarlo.

        También nos detenemos en el llamado system prompt, esa instrucción inicial invisible que orienta el tono, los límites y las reglas de interacción. ¿Qué implica que existan configuraciones que el usuario no ve? ¿Hasta qué punto estos sistemas son realmente “cajas negras”? La propuesta es reflexionar sobre la transparencia, la auditabilidad y la confianza: si el comportamiento puede ajustarse sin que lo sepamos, ¿qué desafíos regulatorios y pedagógicos se abren?

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Marcos Gómez

      • Alineacion, equilibrio entre precision y responsabilidad

        CLASE 11 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Alineación, equilibrio entre precisión y responsabilidad

        En esta clase trabajamos el concepto de alineación, entendido como el proceso de ajustar las respuestas de un modelo de inteligencia artificial para que respeten valores humanos, normas éticas y objetivos específicos. En el ámbito educativo, la alineación busca garantizar respuestas seguras y adecuadas al contexto escolar. Un modelo no alineado podría ofrecer indicaciones riesgosas ante una consigna aparentemente inocente, mientras que un modelo alineado prioriza la seguridad y adapta su respuesta al entorno del estudiante. Una de las técnicas más utilizadas para alinear modelos es el aprendizaje por refuerzo con retroalimentación humana (RLHF), donde personas evalúan distintas respuestas del modelo y las cuales se usan para enseñarle qué tipo de respuestas priorizar.

        También analizamos los desafíos de la alineación. La respuesta “correcta” depende del contexto del usuario, su edad y su cultura. Un modelo puede fallar si no considera diferencias culturales, rechaza automáticamente temas sensibles sin contextualizarlos o responde desde una perspectiva centrada en otro país. El alineamiento cultural implica que los sistemas comprendan conocimientos y referencias locales —como tradiciones, feriados o vocabulario específico— y no solo un subconjunto global limitado. Sin investigación y datos culturalmente diversos, los modelos tienden a cometer errores o simplificaciones. Por eso, avanzar en alineación no es solo una cuestión técnica, sino también cultural y pedagógica.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Sofia Martinelli

        No disponible hasta que: La actividad Tarea: temperatura en EDIA esté marcada como realizada

      • Adulación algorítmica

        CLASE 12 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Adulación algorítmica

        En esta clase abordamos diferentes conceptos vinculados al diseño de la IA que nos permiten reflexionar sobre cómo funcionan estos sistemas y qué tipo de relación construimos con ellos. Adulación algorítmica, transparencia, ocultamiento de la incertidumbre y antropomorfismo son algunas de las características presentes en los modelos de lenguaje. Conocerlas nos permite evaluar de manera más crítica los usos que hacemos de estas tecnologías y considerar las implicancias socio-educativas que pueden tener cuando permanecen invisibilizadas. 

        También reflexionamos sobre cómo éstos conceptos esta adulación pueden impactar en el vínculo pedagógico y en la construcción de confianza. Los modelos utilizan un tono cercano, ofrecen disponibilidad constante y pueden generar sensaciones de cercanía o confianza en la interacción, que puede influir en la relación docente–estudiante–IA. Se analizan distintos grados de dependencia —desde un uso crítico y reflexivo hasta una sustitución preocupante de vínculos humanos— y se advierte sobre los riesgos de usar la IA como apoyo emocional sin mediación profesional. La clase invita a problematizar no solo qué responde la IA, sino cómo lo hace y qué repercusiones puede tener en la autonomía y el juicio crítico de quienes la utilizan.

        ‼️ Importante: En esta clase hay una tarea antes de ver la clase. Es importante que la puedas desarrollar, si bien la actividad no es calificable, su realización constituye un requisito para la aprobación del curso. Al finalizar la clase, te invitamos a completar unas preguntas con  respuestas que sí son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Emilia Echeveste

        No disponible hasta que: La actividad (Actividad perdida) esté marcada como realizada

  • UNIDAD 4

    La unidad aborda la importancia de los benchmarks para evaluar el comportamiento y los sesgos de los modelos de lenguaje, señalando que muchas métricas y datasets están centrados en el inglés y no siempre representan contextos latinoamericanos. En este marco se presenta el Proyecto HESEIA 2024, que combinó formación docente y producción colaborativa de datos mediante la herramienta EDIA, construyendo un dataset con fuerte anclaje local para detectar estereotipos regionales invisibilizados por los modelos actuales. Además, se propone pensar la IA como punto de partida para la reflexión, distinguiendo entre aprender sobre la IA y aprender con la IA, e integrándola en experiencias de aula que promuevan la reapropiación crítica de sus respuestas, la autonomía y el pensamiento situado.

      • ¿Para qué sirve una recolección de datos?

        CLASE 13 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        ¿Para qué sirve una recolección de datos?

        En esta clase analizamos la importancia de la recolección de datos para evaluar el comportamiento de los modelos de lenguaje. Estas evaluaciones se realizan mediante benchmarks, conjuntos de pruebas diseñados para medir desempeño y, en particular, detectar sesgos. Los benchmarks de sesgo funcionan como experimentos controlados que incluyen frases y escenarios con estereotipos para observar cómo responde el modelo. Sin embargo, gran parte de la investigación actual se concentra en inglés, lo que implica que métricas, datasets y estrategias de mitigación están basadas en contextos culturales específicos y no siempre representan realidades como la latinoamericana.

        En este marco se presenta el Proyecto HESEIA 2024, una experiencia formativa con docentes y estudiantes de Argentina que combinó alfabetización crítica en IA con producción colaborativa de datos. A través de la herramienta EDIA, se exploraron sesgos vinculados a clase social, género y nacionalidad, y se construyó un dataset de casi 50.000 oraciones con fuerte anclaje en contextos locales e interseccionales. Los resultados mostraron que muchos estereotipos regionales no son detectados por los modelos actuales. HESEIA se propone así como una intervención pedagógica y tecnológica a la vez: formar pensamiento crítico y, al mismo tiempo, contribuir a desarrollar benchmarks más justos, diversos y representativos.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Guido Ivetta

        No disponible hasta que: La actividad Tarea: Adulación algorítmica esté marcada como realizada

      • Miramos otras experiencias

        CLASE 14 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Miramos otras experiencias

        En esta clase proponemos pensar la inteligencia artificial no como un punto de llegada, sino como un punto de partida. Las respuestas cerradas que ofrece un modelo pueden servir para abrir preguntas, desarmar supuestos y evidenciar que todo enunciado está situado en un contexto cultural e histórico. Como vimos en la clase: "Docencia en tiempos de inteligencia artificial", se distinguen dos enfoques complementarios: aprender sobre la IA, analizándola como objeto de estudio —sus alcances, límites y sesgos—; y aprender con la IA, utilizándola como herramienta para construir conocimiento sin reemplazar el pensamiento propio. En este marco se retoma la herramienta EDIA como recurso para explorar estereotipos sin necesidad de saberes técnicos avanzados.

        También se presentan experiencias de aula que integran la IA desde una perspectiva reflexiva: debates sobre elección vocacional y género, análisis de mitos en educación sexual, y actividades de verificación histórica utilizando asistentes conversacionales. En todos los casos, el foco está en la reapropiación crítica de la información: no aceptar la respuesta del modelo como producto final, sino transformarla en una producción propia, contextualizada y argumentada. La propuesta es avanzar hacia una alfabetización computacional que fortalezca la autonomía, el pensamiento crítico y la construcción colectiva del conocimiento.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Emilia Echeveste